Effets aléatoires pour les données de mesures non répétées dans GLMM@jiancao , votre présentation GLMM au milieu de l'année impliquait un exemple (exemple 2) dans lequel vous avez spécifié un effet aléatoire pour un facteur avec une seule observation par niveau : il y avait une observation par sujet dans une étude clinique, mais vous avez inclus le sujet comme effet aléatoire pour tenir compte de la variabilité supplémentaire d'un sujet à l'autre. J'ai appris des modèles mixtes dans le contexte de distributions de réponses normales dans lesquelles des mesures répétées sont nécessaires pour estimer les effets aléatoires, donc je ne suis pas familier avec cette utilisation des effets aléatoires.
Deux questions:
- Pourquoi des mesures répétées ne sont-elles pas nécessaires pour estimer les effets aléatoires dans les GLMM ?
- L'utilisation d'effets aléatoires dans les GLMM sur des données de mesures non répétées est-elle courante dans votre expérience ? Si ce n'est pas courant, j'éviterais probablement de présenter un exemple comme celui-ci dans les démos GLMM et de m'en tenir aux données de mesures répétées.
Re : Effets aléatoires pour les données de mesures non répétées dans GLMMIl semble donc que les données transversales fonctionnent avec les distributions de réponses actuellement disponibles dans GLMM, mais si une future version introduit une distribution avec un paramètre d'échelle séparé (par exemple, Gamma), nous aurions alors besoin de données de mesures répétées pour un GLMM avec cette distribution.
Correct.
Pour les personnes qui utilisent beaucoup les GLMM, elles sont peut-être familiarisées avec l'utilisation d'effets aléatoires dans des contextes transversaux comme dans l'exemple 2, mais peut-être que ce n'est pas courant, et nous voudrions éviter de faire la démonstration d'un exemple comme celui-ci pour éviter toute confusion ou aller trop loin dans les mauvaises herbes statistiques.
Pour les personnes qui connaissent le GLMM, elles poseront probablement des questions sur des distributions comme le binôme négatif ou des structures répétées comme AR (1) pour la variabilité intra-sujet, que j'ai mentionnées à la fin de ma présentation. Quant à savoir s'il faut éviter de faire des démonstrations comme l'exemple n°2 avant la sortie de JMP Pro 18, je vous laisse décider.
Dans mon Ex.#3 Défauts de fabrication (c'est dans la documentation JMP), le décompte est répété par lot mais pas par unité. Si vous n'incluez que Lot comme effet aléatoire, vous vous retrouvez avec une sur-dispersion (c'est-à-dire une variabilité supplémentaire), donc le modèle GLMM recommandé est celui avec Lot et Unité comme effets aléatoires, ce que j'ai montré.
Re : Effets aléatoires pour les données de mesures non répétées dans GLMMMerci @jiancao . Il semble donc que les données transversales fonctionnent avec les distributions de réponses actuellement disponibles dans GLMM, mais si une future version introduit une distribution avec un paramètre d'échelle séparé (par exemple, Gamma), nous aurions alors besoin de données de mesures répétées pour un GLMM avec cette distribution.
Je suis d'accord sur l'applicabilité des GLMM en général. Ils vont être populaires dans un segment du marché universitaire. Je suis plus curieux de faire la démonstration d'un exemple comme votre exemple n ° 2, où nous n'avons pas de données de mesures répétées comme nous le ferions dans un modèle mixte standard. Pour les personnes qui utilisent beaucoup les GLMM, elles sont peut-être familiarisées avec l'utilisation d'effets aléatoires dans des contextes transversaux comme dans l'exemple n ° 2, mais peut-être que ce n'est pas courant et nous voudrions éviter de faire la démonstration d'un exemple comme celui-ci pour éviter confusion ou aller trop loin dans les mauvaises herbes statistiques.
Re : Effets aléatoires pour les données de mesures non répétées dans GLMMMerci, Ross, d'avoir suivi ce sujet !
Q1.Pourquoi des mesures répétées ne sont-elles pas nécessaires pour estimer les effets aléatoires dans les GLMM ?
Les distributions pour les deux modèles GLMM que j'ai montrés sont binomiales et de Poisson. Elles sont considérées comme des distributions à paramètre unique. Pour Poisson, le paramètre est λ, qui est la moyenne et la variance ; pour Binomial, c'est p, et la moyenne est n*p et la variance est n*p*(1-p) où n est la taille de l'échantillon. Pour les distributions de paramètres uniques comme celles-ci, le GLMM peut identifier la variation due à la variabilité aléatoire des sujets avec des données transversales. (Il s'agit des deux seuls modèles GLMM actuellement disponibles dans JMP Pro 17.)
Q2. L'utilisation d'effets aléatoires dans les GLMM sur des données de mesures non répétées est-elle courante dans votre expérience ? Si ce n'est pas courant, j'éviterais probablement de présenter un exemple comme celui-ci dans les démos GLMM et de m'en tenir aux données de mesures répétées.
UN. Je n'ai pas encore eu beaucoup d'expérience avec GLMM dans mon rôle actuel et dans mes emplois précédents, mais je peux voir comment GLMM pourrait être utile. Par exemple, les conceptions en parcelles divisées sont courantes. Le modèle de régression désigné par Custom Design est un modèle mixte linéaire puisqu'il suppose que la réponse est continue. Que se passe-t-il si votre réponse est Réussite/Échec, ou si les défauts comptent ? Vous devriez envisager GLMM.
Quant à savoir s'il faut faire une démonstration de GLMM, cela dépend de votre public. Si vos prospects n'ont jamais utilisé GLM ou LMM, alors GLMM peut être difficile. Mais s'ils connaissent déjà GLM ou LMM, alors GLMM est une mise à niveau naturelle puisque je le voudrais.
